Niklas Ebell
Niklas Ebell, M.Sc.
Kurzvita
Niklas Ebell arbeitet dezeit als wissenschaftlicher Mitarbeiter unter der Juniorprofessur für Energieinformatik am Lehrstuhl für Rechnernetze und Kommunikationssysteme. Er strebt eine Promotion im Bereich Energiemanagement an. Auch der Einsatz von Machine Learning im Energiebereich liegt in seinem Aufgabenbereich. Zwischen Abitur und Studium entschied sich Niklas Ebell für einen Freiwilligendienst. Für ein Jahr unterrichtete er das Fach Englisch an einer Grundschule in Thailand. Danach nahm er im Jahr 2010 das Studium der Energietechnik an der Friedrich-Alexander-Universität Erlangen-Nürnberg auf. Nach einem Auslandssemester an der Universidad de San Martin in Buenos Aires (Argentinien) und der Universidad de Buenos Aires fertigte er seine Bachelorarbeit über ein energiewirtschaftliches Konzept zur Einbindung einer KWK-Anlage in das vorhandene industrielle Energieversorgungssystem des Standorts Nürnberg der Robert Bosch GmbH an. Danach studierte er weiter an der FAU im Schwerpunkt „Verfahrenstechnik der Energiewandlung“ im Masterstudiengang Energietechnik. Seine Masterarbeit trägt den Titel „Abbildung einer Power2Gas-Anlage mit SOFC in einem linearen Optimierungsmodell zur wirtschaftlichen Bewertung der Energieversorgung von Gebäuden“. Ehrenamtlich engagiert sich Niklas Ebell als Finanzvorstand bei der studentichen Elterninitiative KraKadU e.V., sowie der Fahrrad-Selbsthilfewerkstatt im E-Werk Erlangen.
Weitere Informationen
2021
Benchmarking a Decentralized Reinforcement Learning Control Strategy for an Energy Community
2021 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids (SmartGridComm) (Aachen, 2021-10-25 - 2021-10-28)
DOI: 10.1109/smartgridcomm51999.2021.9632323
BibTeX: Download
, :
Development and Evaluation of a Smart Charging Strategy for an Electric Vehicle Fleet Based on Reinforcement Learning
In: Applied Energy 285 (2021)
ISSN: 0306-2619
DOI: 10.1016/j.apenergy.2020.116382
BibTeX: Download
, , , :
2019
Sharing of Energy Among Cooperative Households Using Distributed Multi-Agent Reinforcement Learning
2019 IEEE Innovative Smart Grid Technologies Europe (Bucharest, 2019-09-29 - 2019-10-02)
DOI: 10.1109/ISGTEurope.2019.8905520
URL: https://ieeexplore.ieee.org/document/8905520
BibTeX: Download
, , :
2018
Reinforcement Learning Control Algorithm for a PV-Battery-System Providing Frequency Containment Reserve Power
2018 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids (SmartGridComm) (Aalborg, 2018-10-29 - 2018-10-31)
In: 2018 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids (SmartGridComm) 2018
DOI: 10.1109/SmartGridComm.2018.8587480
BibTeX: Download
, , , :
Coordinated Multi-Agent Reinforcement Learning for Swarm Battery Control
2018 IEEE Canadian Conference on Electrical & Computer Engineering (CCECE) (Quebec Stadt, Quebec, 2018-05-21 - 2018-05-23)
In: 2018 IEEE Canadian Conference on Electrical Computer Engineering (CCECE) 2018
DOI: 10.1109/CCECE.2018.8447851
BibTeX: Download
, :
2017
Model of a Power-to-Gas System with Fuel Cell in a Mixed Integer Linear Program for the Energy Supply of Residential and Commercial Buildings
In: Applied Mechanics and Materials 871 (2017), S. 11--19
ISSN: 1660-9336
DOI: 10.4028/WWW.SCIENTIFIC.NET/AMM.871.11
URL: https://www.scientific.net/Paper/Preview/525041
BibTeX: Download
, , , , , :
-
Steuerung von Energiesystemen auf Basis selbstlernender Algorithmen
(Projekt aus Eigenmitteln)
Laufzeit: seit 2017-05-16Der weltweite Ausbau dezentraler Kraftwerke, wie beispielsweise Photovoltaik und Windkraft, führt dazu, dass die Erzeugung von elektrischer Energie stark vom fluktuierenden Angebot erneuerbarer Energiequellen abhängt. Im Projekt „Steuerung von Energiesystemen auf Basis selbstlernender Algorithmen“ sollen neue selbstlernende Steuerungsalgorithmen für Energiesysteme untersucht und mit klassischen Steuerungsalgorithmen verglichen werden. Eine in Python programmierte Umgebung soll es ermöglichen mehrere selbstlernende Agenten zu erzeugen und in einer gemeinsamen Umgebung zu simulieren.In einem weiteren Schritt werden weitere Komponenten wie z.B. Elektroladestationen in die Umgebung integriert werden, um dem Einfluss der Elektromobilität auf elektrische Energiesysteme Rechnung zu tragen.